Predykcyjna segmentacja odbiorców: jak Retail Media przechodzi od reguł do prawdopodobieństwa

Tradycyjna grupa odbiorców w Retail Media często opiera się na regule „tak albo nie”: obejmuje osoby spełniające określony warunek historyczny, a wyklucza wszystkie pozostałe. Predykcyjna segmentacja odbiorców wprowadza ciągły wynik, ale sam wynik nie jest jeszcze grupą odbiorców.

Zmiana operacyjna polega na wdrożeniu polityki przekształcania wyniku w segmenty: udokumentowanej metody, która przekłada wynik modelu na przedziały odbiorców, wykluczenia, działania w kanałach, grupy kontrolne, reguły odświeżania i działania awaryjne. Ten artykuł dotyczy właśnie tej warstwy decyzyjnej.

Reguła określa kwalifikowalność, a prawdopodobieństwo porządkuje szanse

Reguły nadal są przydatne do określania kwalifikowalności. Lokalizacja, dostępność produktu, status zgody, minimalny zakres historii danych, zasady kampanii oraz wykluczenia dotyczące wrażliwych zastosowań mogą pozostać twardymi ograniczeniami. Prawdopodobieństwo zmienia sposób traktowania kupujących po zastosowaniu tych zabezpieczeń.

Warstwa predykcyjna odpowiada na jedno precyzyjnie określone pytanie: biorąc pod uwagę informacje dostępne w chwili podejmowania decyzji, jakie jest prawdopodobieństwo wystąpienia wskazanego zdarzenia w określonym horyzoncie? Następnie polityka wskazuje, czy i jakie działanie należy podjąć dla poszczególnych części rozkładu wyników.

Sygnały behawioralne, takie jak powinowactwo z kategorią, mogą być danymi wejściowymi. Nie stanowią jednak gotowej polityki doboru odbiorców. Powinowactwo opisuje relację widoczną w obserwowanym zachowaniu. Segmentacja predykcyjna dodaje zdarzenie wynikowe, horyzont czasowy, wynik modelu, próg decyzyjny i działanie.

Cztery pojęcia, których zespoły nie powinny ze sobą mylić

Doborem odbiorców opartym na prawdopodobieństwie trudno zarządzać, gdy cztery różne pojęcia określa się wspólnym mianem „grupy odbiorców”.

1. Wynik jest rezultatem działania modelu służącym do ustalania kolejności lub szacowania przewidywanego rezultatu.
2. Skalibrowane prawdopodobieństwo to wynik zweryfikowany względem obserwowanej częstości zdarzeń. Scikit-learn opisuje dobrze skalibrowany klasyfikator jako taki, w którym przypadki z prawdopodobieństwem zbliżonym do danego poziomu osiągają obserwowany odsetek wyników pozytywnych zbliżony do tego poziomu.[1]
3. Segment to zdefiniowany przedział lub grupa utworzona na podstawie wyników i warunków kwalifikowalności.
4. Decyzja o aktywacji określa, co system mediowy robi z daną grupą: uwzględnia ją, wyklucza, zmienia stawkę, wybiera kanał, modyfikuje moment kontaktu albo wydziela grupę kontrolną.

Model może trafnie porządkować kupujących, nie generując przy tym wiarygodnych prawdopodobieństw. Poprawny technicznie wynik również może prowadzić do słabej kampanii, jeśli polityka przypisuje niewłaściwe działanie, przeznacza budżet przekraczający osiągalną skalę albo nie zachowuje grupy kontrolnej.

Progi są decyzjami biznesowymi, a nie naturalnymi właściwościami danych

Model może generować wartość ciągłą, lecz system aktywacji potrzebuje jednoznacznej decyzji. Wytyczne Google dotyczące klasyfikacji wyjaśniają, że próg przekształca liczbowy wynik modelu w klasy, a jego zmiana wpływa na proporcje wyników prawdziwie dodatnich, fałszywie dodatnich, prawdziwie ujemnych i fałszywie ujemnych.[2]

Dlatego domyślny próg nie jest strategią. Właściwa granica zależy od kosztu każdego rodzaju błędu oraz zadania kampanii.

Przy ograniczonym budżecie konwersyjnym wynik fałszywie dodatni może oznaczać koszt dotarcia do osoby o niewielkim krótkoterminowym popycie na daną kategorię. W kampanii odzyskiwania nieaktywnych klientów wynik fałszywie ujemny może oznaczać pominięcie osoby rzeczywiście zagrożonej odejściem. W kampanii wzrostowej zbyt wysoki próg może utworzyć pozornie efektywną grupę, która jest zbyt mała albo nadmiernie skupiona na osobach, które i tak dokonałyby zakupu.

Progi należy więc dobierać z uwzględnieniem jasno określonego celu, wymaganego zasięgu, kosztu mediów, marży produktu, jeśli można jej zasadnie użyć, oraz konstrukcji testu. Ten sam wynik może wspierać różne granice segmentów w różnych kampaniach bez zmiany modelu bazowego.

Twórz przedziały działania, a nie jedną „najlepszą grupę odbiorców”

Najlepiej zaprojektowane podejście operacyjne zwykle uwzględnia kilka odrębnych wariantów działania.

• Przedział obsługowy lub wykluczający: kupujący, których przewidywane zachowanie jest już bardzo prawdopodobne, mogą otrzymać komunikat związany z obsługą lub programem lojalnościowym albo zostać wykluczeni z mediów akwizycyjnych.
• Priorytetowy przedział testowy: kupujący z istotnymi sygnałami i znaczną niepewnością mogą otrzymać główne działanie kampanii, ponieważ istnieją zarówno szansa, jak i przestrzeń do zmiany zachowania.
• Przedział eksploracyjny: kontrolowana część niżej sklasyfikowanych, ale kwalifikujących się kupujących może podtrzymywać proces uczenia, wykrywać pominięty popyt i zapobiegać ciągłemu kierowaniu działań wyłącznie do osób o znanych zachowaniach.
• Przedział kontrolny: kwalifikujące się osoby nie otrzymują działania kampanii albo otrzymują uzgodniony wariant alternatywny, dzięki czemu zespół może oszacować, co wydarzyłoby się bez tej aktywacji.

Te przedziały nie są uniwersalne. Granice i warianty działania należy wersjonować oddzielnie dla każdego przypadku użycia. Przedział wyników odpowiedni dla często kupowanej kategorii spożywczej może nie pasować do kategorii sezonowej lub kupowanej rzadko.

Przykładowa polityka przekształcania wyniku w segmenty

Rozważmy markę, która chce pozyskać kupujących w danej kategorii, którzy nie nabyli dotąd jej produktów. To ilustracyjny przykład planistyczny, a nie zmierzony wynik kampanii.

Kwalifikująca się populacja najpierw przechodzi przez reguły niezwiązane z modelem: produkt jest dostępny w odpowiednich sklepach, kupujący może zostać objęty planowaną aktywacją, marka zdefiniowała kategorię i horyzont zakupu, a dotychczasowi nabywcy marki są wykluczeni z celu akwizycyjnego.

Następnie model szacuje skłonność do zakupu w kategorii w tym horyzoncie. Zamiast kierować ten sam przekaz mediowy do wszystkich osób powyżej jednego progu, polityka operacyjna może przewidywać następujące działania:

• Wykluczyć z kosztownych mediów akwizycyjnych osoby o najwyższym prawdopodobieństwie regularnego zakupu w kategorii i zachować próbę do pomiaru.
• Wykorzystać przedział średnio wysoki do głównego działania akwizycyjnego, gdy występuje wyraźne powiązanie z kategorią, ale zakup nie jest uznawany za pewny.
• Wykorzystać mniejszą grupę eksploracyjną poniżej głównego progu, aby sprawdzić, czy model nie pomija pojawiającego się popytu.
• Wydzielić porównywalnych, kwalifikujących się kupujących jako grupę kontrolną we wszystkich przedziałach, w których można podjąć działanie.

Zespół powinien ustalić te działania przed startem kampanii. W przeciwnym razie analitycy mogą przesuwać progi po poznaniu wyników i nieumyślnie zamienić test grupy odbiorców w poszukiwanie najkorzystniejszej narracji.

Sześć kroków przejścia od reguł do prawdopodobieństwa

1. Ustal obecną regułę jako punkt odniesienia

Udokumentuj obecną definicję grupy odbiorców, okres wsteczny, wykluczenia, osiągalną liczebność, realizację mediów, konwersję i znane ograniczenia. Podejście predykcyjne powinno przewyższać rzeczywistą alternatywę, a nie sztucznie osłabiony punkt odniesienia.

2. Zdefiniuj jedno zdarzenie i jeden horyzont

Określenie „osoba skłonna do zakupu” nie jest testowalne. „Osoba skłonna kupić produkt z kategorii w najbliższym oknie zakupowym” jest bardziej precyzyjne, ale nadal trzeba jednoznacznie zdefiniować okno, kwalifikującą się populację, produkty, sklepy i kanały.

3. Oddziel cechy modelu od reguł kwalifikowalności

Historia transakcji, rytm zakupów, kontekst koszyka, zmiana marki lub wyboru, cena, promocja i dostępność mogą wpływać na wynik. Podstawa prawna, status zgody lub sprzeciwu, lokalizacja, zapasy, zasady kampanii i wykluczenia dotyczące danych wrażliwych powinny pozostać widocznymi zabezpieczeniami wokół modelu, zamiast znikać w jego wnętrzu.

4. Zweryfikuj porządkowanie i kalibrację

Sprawdź, czy wyżej sklasyfikowane przedziały osiągają wyższe obserwowane wskaźniki zdarzeń. Następnie oceń, czy deklarowane prawdopodobieństwa odpowiadają obserwowanym wartościom. Krzywe kalibracji porównują przewidywane prawdopodobieństwa z udziałem pozytywnych wyników w każdym przedziale wyniku.[1] Do oceny i kalibracji używaj danych innych niż te, na których dopasowano model.

5. Spisz specyfikację aktywacji

Dla każdego przedziału zapisz warunki kwalifikowalności, działanie, kanał, regułę częstotliwości, rolę kreacji, logikę wykluczeń, przydział do grupy kontrolnej, moment odświeżania, właściciela i zachowanie awaryjne. Taka specyfikacja umożliwia operacyjny audyt modelu.

6. Uruchom aktywację z planem pomiaru i uczenia

Mierz oddzielnie jakość modelu i wpływ kampanii. Pomiar w zamkniętej pętli może połączyć ekspozycję z transakcjami, ale sprzedaż po ekspozycji nie jest automatycznie sprzedażą inkrementalną. Tam, gdzie to możliwe, zachowaj wiarygodny scenariusz kontrfaktyczny.

Mierz politykę, a nie tylko model

Raport z segmentacji predykcyjnej powinien pokazywać wyniki całego systemu decyzyjnego.

• Pokrycie: jakiej części kwalifikującej się populacji można było przypisać wynik i objąć ją aktywacją.
• Rozkład: jak kupujący i dostępne do realizacji wyświetlenia rozkładały się między przedziałami.
• Kalibracja: czy przewidywane prawdopodobieństwo odpowiadało obserwowanej częstości zdarzeń.
• Separacja: czy wyższe przedziały osiągały wyższe wskaźniki zdarzeń niż przedziały niższe.
• Realizacja: czy każdy przedział otrzymał zamierzony kanał, częstotliwość, kreację i poziom wydatków.
• Inkrementalność: czy zastosowane działanie zmieniło wyniki względem grupy kontrolnej lub wiarygodnego porównania.
• Stabilność: czy wyniki utrzymywały się w czasie oraz w różnych sklepach, kategoriach i promocjach, a także przy zmianach w potoku danych.
• Wskaźniki ręcznych zmian i wyjątków: jak często twarde reguły, brak danych, stan zapasów lub ocena człowieka zmieniały decyzję wynikającą z modelu.

Wytyczne IAB i MRC podkreślają potrzebę przejrzystego, spójnego, dokładnego i wiarygodnego pomiaru Retail Media, ciągłej kontroli jakości danych oraz jawnego raportowania luk w danych i ograniczeń metodologicznych.[3] Zasady te dotyczą zarówno polityki doboru odbiorców, jak i końcowego raportu z kampanii.

Odświeżaj wyniki, gdy zmienia się kontekst decyzji, a nie tylko dlatego, że minął zaplanowany czas

Wyniki dezaktualizują się, gdy napływają nowe transakcje, zmienia się dostępność, rozpoczyna się promocja albo horyzont prognozy przesuwa się wraz z upływem czasu. Jednak odświeżanie tak często, jak jest to technicznie możliwe, może zwiększać koszty i niestabilność bez poprawy decyzji.

Częstotliwość odświeżania ustalaj na podstawie rytmu zakupowego kategorii, opóźnienia danych, opóźnienia aktywacji mediów i wartości nowych informacji. Zdefiniuj także zdarzenia uruchamiające nadzwyczajne przeliczenie, takie jak duża zmiana asortymentu, przerwa w dopływie danych lojalnościowych albo nagła zmiana obserwowanej kalibracji.

Wersjonuj model i politykę oddzielnie. Zespół może zachować ten sam model, a jednocześnie dostosować progi do ograniczonego budżetu. Może też zaktualizować model, zachowując przedziały aktywacji na potrzeby kontrolowanego porównania. Bez odrębnego wersjonowania trudno ustalić przyczynę zmian wyników.

Zarządzaj granicą polityki decyzyjnej

Zgodnie z brytyjskimi wytycznymi dotyczącymi ochrony danych wykorzystywanie informacji o kupujących do wnioskowania o ich prawdopodobnych zachowaniach na potrzeby marketingu bezpośredniego może stanowić profilowanie i powinno być oceniane w świetle właściwej jurysdykcji oraz konkretnego wdrożenia. Brytyjski Urząd Komisarza ds. Informacji wskazuje, że takie wykorzystanie powinno być uczciwe i przejrzyste, opierać się na dokładnych i nienadmiernych danych, uwzględniać potencjalne szkody i respektować sprzeciwy.[4]

Polityka przekształcania wyniku w segmenty powinna zatem określać, które dane mogą wpływać na wynik, które warunki pozostają twardymi wykluczeniami, którzy partnerzy otrzymują grupę odbiorców, w jaki sposób przekazywane są sprzeciwy, jak długo wyniki zachowują ważność oraz kto może zmienić lub zawiesić aktywację. Technicznie dostępna cecha modelu nie staje się automatycznie właściwym składnikiem polityki.

Ramy zarządzania ryzykiem AI opracowane przez NIST wskazują na potrzebę testowania systemów przed wdrożeniem i regularnie podczas ich działania, dokumentowania niepewności, porównywania z punktami odniesienia, monitorowania działania systemu w środowisku produkcyjnym, oceny prywatności i stronniczości oraz, gdy jest to właściwe, niezależnego przeglądu.[5] Przełóż te zalecenia na określone w polityce reguły wstrzymania aktywacji: wstrzymaj aktywację, gdy załamuje się pokrycie, pogarsza kalibracja, przestaje działać obowiązkowe wykluczenie ochronne, zmienia się znaczenie pola źródłowego albo system działa poza udokumentowanymi warunkami.

Błędy polityki, przez które dobry model staje się bezużyteczny

Jeden stały próg. Przekształcenie wyniku w pojedynczy próg bez udokumentowania kompromisów jedynie ukrywa starą regułę za modelem.

Brak rozróżnienia działań. Jeśli sąsiednie przedziały otrzymują ten sam kanał, częstotliwość, kreację i sposób pomiaru, segmentacja tworzy etykiety zamiast odmiennych decyzji.

Brak oceny możliwości realizacji. Wąski przedział priorytetowy może wyglądać na efektywny, ale nie wystarczyć do wykorzystania całego budżetu. Szeroki przedział może przekroczyć dostępne zasoby reklamowe lub limity częstotliwości. Zasięg i możliwości realizacji należy uwzględnić przy zatwierdzaniu progów.

Brak ścieżki eksploracyjnej. Ciągłe wybieranie wyłącznie aktualnego najwyższego przedziału może uniemożliwić systemowi odkrywanie nowego popytu i samoczynnie utrwalać uprzedzenia obecne w danych historycznych.

Wyciek informacji do polityki. Wybór progów po ujawnieniu rezultatów albo tworzenie wyników modelu na podstawie informacji niedostępnych w chwili podejmowania decyzji sprawia, że ocena przestaje być wiarygodna.

Brak działania awaryjnego. Brakujące cechy, nieaktualne wyniki, zmiany zapasów, niesprawne wykluczenia lub opóźnienia aktywacji muszą prowadzić do udokumentowanego, bezpiecznego działania, a nie do improwizowanego doboru odbiorców.

Brak dowodu realizacji na poziomie przedziału. Jeśli realizacja kampanii dla grup priorytetowych, eksploracyjnych i kontrolnych różni się doborem sklepów, formatami, częstotliwością, jakością kreacji lub dostępnością produktów, nie można rzetelnie ocenić polityki.

O co powinni pytać nabywcy mediów

Przed zatwierdzeniem grupy odbiorców opartej na prawdopodobieństwie należy poprosić o:

• przewidywane zdarzenie i horyzont;
• kwalifikującą się populację i twarde wykluczenia;
• wersję modelu i polityki;
• wyjaśnienie różnicy między surowym wynikiem, skalibrowanym prawdopodobieństwem, segmentem i działaniem;
• liczebność grupy odbiorców i osiągalną skalę w każdym przedziale;
• uzasadnienie każdego progu;
• reguły działania, wykluczania, eksploracji i kontroli;
• dowody kalibracji i stabilności;
• raport z realizacji dla każdego przedziału;
• scenariusz kontrfaktyczny kampanii i metodę pomiaru inkrementalności;
• mechanizmy dotyczące prywatności, sprzeciwów, monitorowania i reguł wstrzymania aktywacji.

Najczęściej zadawane pytania

Czy prawdopodobieństwo zastępuje reguły doboru odbiorców?

Nie. Prawdopodobieństwo pomaga ustalać priorytety wśród kwalifikujących się kupujących. Twarde reguły nadal wyznaczają warunki dotyczące zgody, lokalizacji, dostępności, zakresu produktów, wykluczeń związanych z danymi wrażliwymi, zasad kampanii i bezpieczeństwa operacyjnego.

Dlaczego nie stosować jednego progu we wszystkich kampaniach?

Koszty błędnego włączenia, błędnego wykluczenia, ograniczonego zasięgu i nieefektywnej częstotliwości emisji zależą od celu. Ten sam model może obsługiwać różne progi polityki dla pozyskiwania, odzyskiwania, sprzedaży krzyżowej lub komunikacji obsługowej.

Ile przedziałów odbiorców powinien stosować detalista?

Należy stosować najmniejszą liczbę przedziałów potrzebną do obsługi rzeczywiście różnych działań. Jeśli dwa przedziały otrzymują takie samo działanie i są mierzone w ten sam sposób, rozróżnienie może zwiększać złożoność bez tworzenia wartości.

Kto powinien zatwierdzać zmianę progu?

Odpowiedzialność należy jasno określić w specyfikacji aktywacji. Zmiana progu może wpłynąć na zasięg, koszt, skład grupy odbiorców, przydział do grupy kontrolnej i ryzyko dotyczące prywatności, dlatego nie powinna być traktowana wyłącznie jako techniczna korekta analityka.

Co dowodzi, że przejście zakończyło się powodzeniem?

Polityka predykcyjna powinna przewyższać udokumentowany punkt odniesienia oparty na regułach w obszarach istotnych dla decyzji: użytecznym zasięgu, wiarygodności wyników, kontrolowanej realizacji, efektach inkrementalnych, stabilności operacyjnej i wyjaśnialności.

Najważniejszy wniosek

Predykcyjna segmentacja odbiorców staje się użyteczna wtedy, gdy wynik zmienia działanie.

Zachowaj widoczne twarde reguły kwalifikowalności. Zdefiniuj jedno zdarzenie i jeden horyzont. Przekształć wynik w wersjonowane warianty działania. Chroń grupy eksploracyjne i kontrolne. Rejestruj ręczne zmiany i działania awaryjne. Następnie oceniaj politykę jako kompletną decyzję operacyjną, a nie jako ranking modeli.

Źródła

[1] scikit-learn, dokumentacja Kalibracja prawdopodobieństwa.

[2] Google for Developers, Progi i macierz pomyłek.

[3] IAB i Media Rating Council, Wytyczne IAB/MRC dotyczące pomiaru Retail Media (2024).

[4] Brytyjski Urząd Komisarza ds. Informacji, Gromadzenie informacji i pozyskiwanie kontaktów.

[5] Narodowy Instytut Standaryzacji i Technologii, Podstawowe funkcje ram zarządzania ryzykiem AI.

Chcesz zobaczyć, jak to działa w praktyce?

Footprints AI pomaga markom i detalistom mierzyć to, co naprawdę ma znaczenie. Zobacz nasze historie sukcesu klientów lub skontaktuj się z nami, aby porozmawiać o strategii Retail Media.